Optimasi Penjadwalan Mata Pelajaran Pondok Pesantren Mahasiswa Menggunakan Algoritme Genetika (Studi Kasus: Yayasan Bina Insani Sukses Malang)

  

Vol. 2, No. 11, November 2018, hlm. 4407-4413 http://j-ptiik.ub.ac.id

Optimasi Penjadwalan Mata Pelajaran Pondok Pesantren Mahasiswa

Menggunakan Algoritme Genetika

  

(Studi Kasus: Yayasan Bina Insani Sukses Malang)

_{1 2 3} Rudy Usman Azzakky , Budi Darma Setiawan , Satrio Hadi Wijoyo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: rudyusman354@gmail.ac.id, s.budidarma@ub.ac.id, satriohadi@ub.ac.id

  

Abstrak

Proses penyusunan jadwal secara manual dirasa kurang efisien karena membutuhkan waktu yang lama.

  Permasalahan penyusunan jadwal akan kompleks apabila jumlah komponen yang semakin banyak atau jumlah data yang besar dari setiap komponen tersebut. Hasil jadwal yang diharapkan bukan hanya jadwal yang tidak mengalami bentrok, akan tetapi jadwal yang dapat menyesuaikan terhadap beberapa

  

constraint yang harus terpenuhi di dalam jadwal tersebut. Algoritme Genetika merupakan algoritme

  yang bersifat iteratif, menyesuaikan diri dan algoritme probabilistik dalam pencarian untuk optimasi global. Proses inisialisasi kromosom yang dibangkitkan dari data penugasan guru dengan representasi bilangan integer yang setiap gen berisi kode-kode penugasan yang telah dibangkitkan secara random. Setiap kromosom dengan nilai fitness tertinggi merupakan representasi dari solusi jadwal mata pelajaran. Dari proses pengujian yang telah dilakukan didapatkan beberapa nilai parameter-parameter Algoritme Genetika yaitu nilai jumlah populasi terbaik adalah 100, nilai kombinasi Cr dan Mr adalah 0.5 dan 0.5, dan jumlah generasi sebanyak 1000. Proses pencarian solusi dengan menggunakan parameter-parameter tersebut didapatkan nilai fitness yaitu sebesar 0.9977.

  Kata kunci: Algoritme Genetika, Penjadwalan, Mata pelajaran.

  

Abstract

The process of drafting schedules manually felt less efficient because it takes a long time. The problem

of drafting the schedule will be complex if the number of components is larger amount of data from each

component. The expected schedule is not just a schedule that does not clash, but a schedule that can

adapt to some constraints that must be met within the schedule. Genetic Algorithms are algorithms that

are iterative, self-adjusting and probabilistic algorithms in search for global optimization. The process

of chromosome initialization generated from teacher assignment data by integer representation of each

gene containing randomly generated assignment codes. Each chromosome with the highest fitness value

is a representation of the subject schedule solution. From the testing process that has been done, has

obtained the parameters of Genetic Algorithm is the best population number is 100, the value of the

combination of Cr and Mr is 0.5 and 0.5, and the number of generations as much as 1000. The process

of finding solutions using these parameters obtained the value of fitness that is 0.9977.

  Keywords: MIB, monitoring, internet of things, data structure

  pelajaran adalah urutan-urutan pelajaran sebagai 1. pedoman yang harus diikuti dalam proses belajar

   PENDAHULUAN

  mengajar (Mulyana, 2010). Pengertian tersebut Jadwal merupakan suatu hal yang harus ada menunjukkan bahwa jadwal adalah salah satu dalam setiap kegiatan. Salah satu kegiatan yang hal yang sangat penting di dalam pendidikan membutuhkan jadwal adalah kegiatan di dalam sebagai pendukung proses belajar mengajar agar dunia pendidikan yaitu berupa jadwal mata berjalan lancar dan baik. pelajaran yang berfungsi sebagai pedoman yang

  Proses penyusunan jadwal secara manual digunakan oleh guru, siswa maupun kepala dirasa kurang efektif karena membutuhkan sekolah dalam melaksanakan proses belajar waktu yang lama. Selain itu, permasalahan mengajar. Pengertian dari istilah jadwal

  Fakultas Ilmu Komputer Universitas Brawijaya

4407 penyusunan jadwal akan kompleks apabila jumlah komponen yang semakin banyak atau jumlah data yang besar dari setiap komponen tersebut. Hasil jadwal yang diharapkan bukan hanya jadwal yang tidak mengalami bentrok dengan jadwal lain, akan tetapi jadwal yang dapat menyesuaikan terhadap beberapa batasan yang harus terpenuhi di dalam jadwal tersebut. Seperti mata pelajaran yang hanya boleh dilakukan pada jam tertentu saja.

  Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang merupakan sebuah instansi pembelajaran yang masih menjadwalkan mata pelajaran di dalam proses belajar mengajar secara manual. Pondok Pesantren ini memiliki 18 kelas dan 9 mata pelajaran. Pondok Pesantren ini memiliki total 10 jam pelajaran setiap kelas untuk setiap minggu dengan total guru 38. Setiap pergantian semester, Pondok Pesantren ini selalu membuat jadwal pembelajaran secara manual dan sering mengganti jadwal di setiap bulannya karena ada perubahan formasi guru. Beberapa faktor yang membuat penyusunan jadwal menjadi kompleks, selain jumlah kelas, jumlah jam dan jumlah guru yang banyak. Pelaksanaan proses belajar mengajar juga berada pada 3 lokasi gedung pondok yang berbeda tempat dalam dua kecamatan. Sehingga proses penyusunan jadwal pelajaran terdapat beberapa pertimbangan mengenai kondisi tersebut, seperti guru yang telah mengajar di lokasi 1 tidak perlu dijadwalkan pada lokasi 2 dan 3 atau dapat dijadwalkan pada lokasi 2 dan 3 dengan syarat hari yang berbeda. Proses pembuatan jadwal pembelajaran dilakukan hanya menggunakan tools Microsoft Excel yang telah diprogram untuk mendeteksi jadwal yang bentrok dan kebutuhan porsi jam mengajar setiap guru dari jadwal yang dimasukkan dan dibuat secara manual oleh bagian kurikulum.

• – hal yang menjadi dasar dalam penelitian ini adalah penjadwalan dan Algoritme Genetika.

  Telah banyak dilakukan penelitian dalam implementasi Algoritme Genetika dalam masalah optimasi pembuatan jadwal yaitu penelitian yang dilakukan oleh (Pilay & Banzaf, 2010) yang menyelesaikan permasalahan penjadwalan ujian menggunakan Algoritme

  Informed Genetic Algorithm yang mana

  Algoritme ini berbeda dengan Algoritme genetik standar yaitu digunakan domain pengetahuan dan metode heuristik untuk membantu mengoptimalkan hasil pencarian. Penerapan dari penggunaan Informed Genetic Algorithm telah menghasilkan hasil yang lebih baik dari beberapa teknik optimasi lain seperti Tabu Search.

  Diharapkan dalam penelitian ini dapat menghasilkan solusi yang optimal sesuai dengan permasalahan serta constraint - constraint yang terdapat pada Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang.

  2. LANDASAN KEPUSTAKAAN

  Untuk mengembangkan sistem optimasi penjadwalan menggunakan Algoritme Genetika dibutuhkan beberapa referensi untuk menjadi dasar dalam perancangan dan implementasi, hal

  2.1 Penjadwalan

  Penjadwalan merupakan pengaturan waktu dari suatu kegiatan operasi yang mencakup kegiatan mengalokasikan fasilitas, peralatan, maupun tenaga kerja dan menentukan urutan pelaksanaan bagi suatu kegiatan (Herjanto, 2006). Jadwal adalah sebuah tatanan dalam sebuah pertemuan pada suatu waktu yang merupakan kombinasi dari beberapa sumber daya seperti ruang, orang, dll. (Jain, et al., 2010). Dalam suatu lembaga pendidikan, penjadwalan diperlukan yaitu untuk penjadwalan mengajar, pengalokasian ruang kelas ataupun ruang lab, tenaga pengajar, staf administrasi dan pendaftaran penerimaan mahasiswa baru atau ujian. Keputusan yang dibuat dalam penjadwalan adalah waktu mulai, waktu selesai, serta urutan dari operasi suatu pekerjaan. Keputusan penjadwalan merupakan alokasi kapasitas atau sumber daya yang tersedia (perlengkapan, tenaga dan ruang) kepada pekerjaan, kegiatan, tugas atau pelanggan sepanjang waktu (Ma'arif & Hendri, 2003). Penjadwalan bertugas dalam mengalokasikan sebaik-baiknya sumber daya yang telah dibuat.

  Penjadwalan merupakan suatu masalah yang rumit apabila dalam pembuatannya mempertimbangkan objek yang banyak. Seperti pada penjadwalan mata pelajaran sekolah yang memiliki beberapa objek yaitu guru, ruang kelas, ruang lab, mata pelajaran dan jumlah jam pelajaran. Penjadwalan merupakan suatu komponen yang sangat penting, karena dengan penjadwalan akan terlihat kegiatan apa saja yang akan dilakukan (Rangkuti, 2002).

  2.2 Algoritme Genetika

  Sejak tahun 1960-an Algoritme Evolusi telah banyak dikembangkan untuk menyelesaikan permasalahan optimasi yang kompleks dan sulit. Algoritme yang banyak digunakan salah satunya adalah Algoritme Genetika yang ditemukan oleh Holland (Gen & Cheng, 2000). Algoritme Genetika adalah Algoritme optimasi yang terinspirasi oleh seleksi alami dan genetika alami.

  Populasi awal pada Algoritme Genetika dibangkitkan secara acak sedangkan populasi berikutnya berasal dari hasil evaluasi dan seleksi dari kromosom yang terbaik. Pada proses pemilihan kromosom terbaik pada setiap generasi digunakan alat ukur yaitu fitness.

  Fitness digunakan untuk menilai seberapa baik

  suatu kromosom dapat dijadikan sebagai solusi dari suatu permasalahan yang diangkat. Semakin besar nilai dari fitness maka semakin berkualitas kromosom dan semakin besar pula peluang untuk masuk menjadi generasi selanjutnya dalam iterasi. Istilah kromosom pada Algoritme Genetika merujuk pada kandidat solusi dari suatu masalah, sering dilambangkan sebagai sebuah string yang terdiri dari bit. Gen adalah sebuah bit tunggal atau sebuah blok yang terdiri dari bit-bit yang berdampingan yang melambangkan elemen tertentu dari kandidat solusi. Crossover adalah pertukaran material genetik antara kromosom dari induk (parent). Mutasi adalah menukar sebuah allele pada locus (posisi) secara acak dengan allele lainnya, misal 0 menjadi 1 (Adipranata, et al., 2007).

  Setiap generasi akan menghasilkan kromosom-kromosom baru yang dibentuk dari generasi sebelumnya dengan menggunakan operator reproduksi (reproduction), kawin silang (crossover), dan juga mutasi (mutation). Nilai fitness dalam suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring) yang terbentuk dari gabungan 2 kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover) (Adipranata, et al., 2007). Pada Algoritme terdapat 3 parameter yang harus didefinisikan yaitu ukuran populasi (popsize), Mutation Rate (Mr) dan Crossover Rate (Cr).

  Metodologi yang digunakan dalam penelitian ini dilakukan dengan beberapa tahapan-tahapan yang diilustrasikan pada gambar blok diagram yang dijelaskan pada Gambar 1.

  Gambar 1 Metodologi Penelitian

  3.1 Pengumpulan Data

  Pengumpulan data dilakukan dengan cara melakukan wawancara kepada bagian kurikulum Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang sebagai pihak yang bertugas dalam pembuatan jadwal mata pelajaran. Data yang diambil pada penelitian ini berupa data mata pelajaran, data guru, data kelas, data jam pelajaran pada semester genap tahun ajaran 2016-2017. Selain data berupa data bahan untuk pembuatan jadwal mata pelajaran, diambil juga data hasil jadwal yang telah disusun oleh bagian kurikulum.

  3.2 Alur Penyelesaian Masalah

  Permasalahan yang akan diselesaikan dalam penelitian ini adalah permasalahan mengenai penjadwalan mata pelajaran pada Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang. Proses penyusunan jadwal pada Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang masih menggunakan cara konvensional yaitu dikerjakan oleh bagian kurikulum dengan hanya dibantu oleh tools MS

  Excel . Data-data yang digunakan dalam

  penyusunan jadwal meliputi data kelas sebanyak 18 kelas, 38 guru, dan 9 mata pelajaran. Dari data-data tersebut kemudian diolah untuk dibentuk jadwal mata pelajaran. Jadwal mata pelajaran yang diharapkan adalah bukan jadwal yang hanya tidak memiliki bentrok jam atau guru saja, akan tetapi jadwal yang sesuai dengan

3. Metodologi Penelitian

  constraint -constraint atau aturan-aturan yang

  telah didefinisikan oleh bagian kurikulum pondok pesantren mahasiswa. Data masukan yang dibutuhkan oleh sistem untuk melakukan optimasi penjadwalan adalah data guru pengajar, data ruang kelas, data jam pelajaran dan data penugasan guru mengajar. Dari data penugasan guru mengajar harus dilakukan encoding terlebih dahulu, encoding perlu dilakukan untuk mengubah bentuk data asli menjadi data yang dapat diproses oleh Algoritme Genetika. Encoding data dilakukan untuk membuat data dengan kode yang unik yang mewakili seluruh data penugasan. Dari data

  encoding dengan kode yang unik tersebut

  susunan dari kromosom sehingga akan menghasilkan bentuk susunan kromosom baru dan berbeda dari induknya.

  mewariskan kualitas dari kromosom pada generasi selanjutnya.

  selection menjamin individu yang memiliki nilai fitness tinggi untuk dipertahankan hidup untuk

  Pada penelitian ini digunakan metode seleksi elitism selection yaitu dengan cara memilih individu yang memiliki nilai fitness paling tinggi sebanyak Popsize. Metode elitism

  wweew3selitism (Mahmudy, 2013).

  Proses seleksi dilakukan untuk memilih individu dari himpunan populasi dan offspring yang terbaik sebanyak Popsize untuk dipertahankan hidup dan masuk menjadi generasi selanjutnya. Semakin besar nilai fitness dari sebuah kromosom maka semakin besar pula peluangnya untuk terpilih dan dipertahankan hidup. Hal ini dilakukan agar terbentuk generasi berikutnya lebih baik dari generasi sebelumnya. Beberapa metode seleksi yang sering digunakan adalah roulette wheel, binary tournament, dan

  3.6 Seleksi

  dua posisi (Exchange Point / XP) secara acak yang kemudian kedua posisi tersebut ditukar (Mahmudy, 2013).

  mutation . Metode ini bekerja dengan memilih

  digunakan metode reciprocial exchange

  insertion mutation. Dalam penelitian ini akan

  Beberapa metode mutasi yang digunakan adalah reciprocal exchange mutation dan

  Child dihasilkan dari proses pengubahan

  selanjutnya dapat dilakukan proses pembentukan kromosom sebagai elemen dalam Algoritme Genetika. Selain data-data penjadwalan, sistem juga memerlukan masukan berupa parameter-parameter Algoritme Genetika yaitu jumlah populasi, iterasi maksimal atau jumlah generasi, nilai Crossover Rate (Cr) dan nilai Mutaion Rate (Mr). Data dari hasil

  Mutasi merupakan proses reproduksi yang hanya melibatkan 1 individu yang diambil secara acak dari populasi dan berperan sebagai parent.

  3.5 Mutasi

  crossover .

  mengambil beberapa gen dari induk pertama yang kemudian digabungkan dengan gen pada induk kedua. Selanjutnya ditentukan titik potong gen pada kromosom secara acak. Titik potong tersebut digunakan sebagai titik pertukaran gen yang akan dilakukan dalam dalam proses

  cut -point crossover yaitu dengan cara

  Reproduksi menggunakan proses crossover dilakukan dengan cara menukarkan susunan kromosom dari 2 induk yang terpilih yang kemudian dihasilkan individu baru dari hasil reproduksi crossover. Crossover yang dilakukan dalam penelitian ini menggunakan metode one-

  3.4 Crossover

  Kromosom Gambar 2 Representasi Kromosom

  Representasi kromosom merupakan bentuk pengkodean gen penyusun kromosom. Gen yang akan dibangun dalam representasi kromosom berupa bilangan integer yang merupakan kode unik dari data penugasan guru mengajar sehingga akan membentuk sebuah kromosom. Panjang dari kromosom adalah sepanjang banyaknya data dalam penugasan guru mengajar. Contoh representasi kromosom ditunjukkan pada Gambar 2.

  3.3 Representasi Kromosom

  kemudian dilakukan pencarian solusi menggunakan Algoritme Genetika sesuai dengan parameter Algoritme Genetika yang telah dimasukkan. Dalam proses pencarian solusi akan dicari nilai fitness dari setiap generasi. Nilai fitness paling tinggi menunjukkan semakin baik solusi yang dihasilkan. Dari solusi yang dihasilkan oleh proses Algoritme Genetika kemudian dilakukan proses encoding untuk mengaplikasikan solusi menjadi bentuk jadwal asli yang akan digunakan dalam proses belajar mengajar di Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang.

  encoding

  4. Implementasi Implementasi antarmuka yang digunakan di dalam sistem yaitu Halaman Generate Jadwal dan Halaman Hasil Jadwal.

  Gambar 3 Halaman Generate Jadwal Sebelum dapat memulai proses generate jadwal pengguna harus memasukkan nilai parameter Algoritme Genetika yaitu Crossover

  Gambar 5 Grafik Hasil Pengujian Jumlah Populasi

  Meningkatkan ukuran populasi mulai dari 10 sampai 100 menyebabkan nilai fitness yang dihasilkan naik secara konstan. Dari percobaan tersebut didapatkan hasil bahwa populasi maksimum yang didapatkan adalah 100 dan jika ditambahkan lagi ukuran populasi yang lebih besar menjadi 500 maka nilai fitness akan tetap naik dengan kenaikan yang tidak signifikan akan tetapi membutuhkan waktu yang jauh lebih banyak.

  kemungkinan juga semakin besarnya ukuran populasi akan menurunkan nilai fitness yang didapatkan.

  fitness yang tinggi. Akan tetapi tidak menutup

  individu dalam populasi maka semakin meningkatkan kemungkinan didapatkannya nilai

  fitness yang dihasilkan. Semakin beragam

  Dari percobaan yang telah dilakukan didapatkan hasil bahwa semakin besar jumlah populasi akan menghasilkan kecenderungan nilai fitness juga semakin besar. Hal tersebut dikarenakan jika ukuran dari populasi semakin besar maka semakin beragam pula individu- individu yang terdapat pada populasi tersebut. Keberagaman tersebut akan mempengaruhi nilai

  random .

  Rate

  Pengujian dilakukan dengan cara melakukan uji coba terhadap beberapa nilai populasi. Pada pengujian ini percobaan nilai populasi diuji coba terhadap nilai 10 sampai 100 dengan rentang masing-masing adalah 10. Setiap percobaan terhadap satu nilai populasi dilakukan uji coba sebanyak 10 kali hal ini dilakukan karena hasil dari setiap uji coba bisa menghasilkan nilai fitness yang berbeda-beda yang disebabkan oleh pembangkitan populasi awal secara acak atau

  5.1 Pengujian Jumlah Populasi

  Pengujian yang dilakukan pada penelitian ini meliputi pengujian jumlah populasi, pengujian kombinasi nilai Crossover Rate (Cr) dan Mutation Rate (Mr), dan pengujian jumlah generasi.

   Pengujian dan Pembahasan

  Gambar 4 Halaman Hasil Jadwal 5.

  (cr), Mutation Rate (mr), jumlah Popsize dan jumlah Generasi. Selain itu pengguna juga perlu memasukkan file excel yang telah disesuaikan dengan template yang disediakan dengan menekan tombol File Excel, File Excel tersebut akan digunakan sebagai data masukan untuk melakukan proses Algoritme Genetika. Selama proses iterasi akan ditampilkan proses yang sedang berjalan dengan yaitu ditampilkan pada textarea berupa generasi ke-n, kromosom terbaik pada setiap iterasi beserta nilai fitness- nya.

  5.2 Pengujian Crossover Rate (Cr) dan

  Mutation Rate (Mr)

  Proses pengujian dilakukan dengan cara membuat kombinasi nilai Crossover Rate (Cr) dan Mutation Rate (Mr) mulai dari 0,1 sampai 0,9. Setiap kombinasi nilai Crossover Rate (Cr) dan Mutation Rate (Mr) kemudian dilakukan percobaan sebanyak 10 kali.

  Gambar 6 Grafik Hasil Pengujian Nilai Crossover Rate (Cr) dan Mutation Rate (Mr)

  Dari percobaan yang telah dilakukan dihasilkan bahwa terjadi peningkatan nilai fitness pada nilai Cr 0,1 dan Mr 0,9 sampai pada nilai Cr 0,5 dan Mr 0,5. Akan tetapi setelah itu mengalami penurunan nilai fitness pada nilai Cr 0,4 dan Mr 0,6 sampai nilai Cr 0,9 dan Mr 0,1. Hal tersebut menunjukkan bahwa untuk menghasilkan nilai fitness yang optimal diperlukan kombinasi dari nilai Cr dan Mr yang seimbang. Jika hanya nilai Cr yang tinggi maka dalam proses pencarian solusinya cenderung bersifat eksploitasi yaitu setiap proses reproduksi hanya dihasilkan anak yang mirip dengan induknya yang dapat mengakibatkan keragaman individu semakin berkurang. Sedangkan jika hanya nilai Mr yang tinggi maka dalam proses pencarian solusinya bersifat eksplorasi dan dapat menghasilkan anak yang unik dari individu sebelumnya. Jika tingkat eksplorasi yang tinggi maka tidak menutup kemungkinan memperlama untuk mendapatkan solusi yang optimal. Berdasarkan pengujian yang dilakukan maka dalam penelitian ini didapatkan kombinasi terbaik untuk nilai Cr dan Mr adalah 0,5 dan 0,5.

  Pengujian ini dilakukan dengan cara melakukan uji coba sebanyak 10 kali untuk masing-masing nilai jumlah generasi yang diuji coba kan yaitu antara 250 sampai 2000 dengan masing-masing percobaan rentang nilainya adalah 250.

  Gambar 7 Grafik Hasil Pengujian Jumlah

  Generasi Semakin besar nilai dari jumlah generasi maka semakin besar pula nilai fitness yang dihasilkan selama dalam generasi tersebut belum mengalami konvergensi. Pada Gambar 6.3 diketahui bahwa konvergensi terjadi saat jumlah generasi 1000. Semakin banyak ukuran dari generasi maka semakin luas juga kesempatan untuk melakukan pencarian solusi optimal (Mahmudy, 2013).

  6. Kesimpulan

  Berdasarkan penelitian yang telah dilakukan maka diperoleh kesimpulan sebagai berikut:

  1. Algoritme Genetika dapat digunakan dalam pencarian solusi permasalahan penjadwalan mata pelajaran pada Pondok Pesantren Mahasiswa Yayasan Bina Insani Sukses Malang. Beberapa tahapan yang digunakan dalam proses implementasi Algoritme Genetika dalam pencarian solusi jadwal mata pelajaran yaitu proses inisialisasi kromosom. Kromosom dapat dibangkitkan dari data penugasan guru dengan representasi bilangan integer yang setiap gennya berisi kode-kode penugasan yang telah dibangkitkan secara random. Setiap kromosom dengan nilai fitness tertinggi merupakan representasi dari solusi jadwal mata pelajaran. Proses reproduksi menggunakan one-cut point crossover dan reciprocal exchange mutation, proses evaluasi dan perhitungan fitness dan proses seleksi menggunakan elitism selection.

  2. Berdasarkan dari hasil pengujian yang telah dilakukan didapatkan beberapa nilai parameter-parameter Algoritme Genetika yaitu nilai jumlah populasi terbaik adalah 90, nilai kombinasi Cr dan Mr adalah 0.5 dan 0.5, dan jumlah generasi sebanyak 1000. Proses pencarian solusi dengan

5.3 Pengujian Jumlah Generasi

  menggunakan parameter-parameter tersebut didapatkan nilai fitness yaitu sebesar 0,9977 akan tetapi jadwal yang dihasilkan oleh sistem masih belum optimal dikarenakan Algoritme Genetika dalam proses pencarian solusinya terjebak pada optimum lokal.

DAFTAR PUSTAKA

  Adipranata, R., Soedjianto, F. & Tjondro, W., 2007. Perbandingan Algoritme Exhaustive, Algoritme Genetika Dan Algoritme Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek.

  Gen, M. & Cheng, R., 2000. Genetic Algorithm

  & Engineering Optimation. Ashikaga: John Willey & son, inc..

  Herjanto, E., 2006. Manajemen Operasi. 3nd ed.

  Jakarta: Grasindo. Jain, A., Jain, S. & Chande, 2010. Formulation of Genetic Algorithm to Generate Good

  Quality Course Timetable. IACSIT, Volume 248-251, p. 1. Ma'arif, S. & Hendri, t., 2003. Manajemen Operasi. Jakarta: Grasindo. Mahmudy, W. F., 2008. Optimasi fungsi tanpa kendala menggunakan Algoritme genetika dengan kromosom biner dan perbaikan chromosome hill-climbing. Kursor, Volume 5, pp. 23-29. Mahmudy, W. F., 2013. Algortima Genetika.

  Malang: Program Teknologi Informasi Dan Ilmu Komputer (PTIIK) Universitas Brawijaya Malang.

  Mulyana, A., 2010. Manajemen Kurikulum SMP

  Terbuka di Kecamatan Tenjo-Bogor. S1: UIN Syarif Hidayatullah Jakarta.

  Rangkuti, f., 2002. Creating Effective

  Marketing Plan. Jakarta: PT. Gramedia Pustaka Utama.